USPR：用于分层路由的统一求解器学习
机器学习
2025-08-26 v2 多智能体系统
摘要
分层车辆路径问题（PVRP）扩展了经典 VRP，通过引入车辆-客户特定偏好和约束来反映实际需求，例如区域限制和服务水平偏好。虽然最近的强化学习求解器显示出有前景的性能，但它们需要为每个新的配置分布重新训练，表征能力较差，且难以对超出分布的实例进行推理。在本文中，我们通过引入分层路由统一求解器（USPR）来解决这些限制，提出一种能够原生处理任意配置类型的框架。USPR 引入了三个关键创新：（i）配置嵌入（PE），用于编码任何配置类型的组合；（ii）多头分层注意（MHPA），是一种注意力机制，建模车辆和客户之间的丰富相互作用；（iii）配置感知得分重塑（PSR），动态调整解码器逻辑位分数以提高泛化能力。在多样化的 PVRP 框架上进行的实验结果表明，USPR 在基于学习的方法中实现了最先进的结果，同时在灵活性和计算效率方面取得显著提升。我们公开了源代码，以促进未来的研究。
引用
@article{arxiv.2505.05119,
title = {USPR: Learning a Unified Solver for Profiled Routing},
author = {Chuanbo Hua and Federico Berto and Zhikai Zhao and Jiwoo Son and Changhyun Kwon and Jinkyoo Park},
journal= {arXiv preprint arXiv:2505.05119},
year = {2025}
}